MappingTechnology

Structure

技術結構圖譜

01

第一章引言

2

第一章引言

引言

建設科技強國必須加強重大創新領域的戰略研判和前瞻布局，加快科技安全預警監測體

系建設。為了解世界技術創新布局，把握未來科技發展方向和關鍵核心技術，中國科學

院科技戰略咨詢研究院利用大數據分析和深度學習技術，從百萬級世界專利中發現專利

的文本規律，以揭示專利技術間隱藏的深層關聯關系及結構特征。針對高影響力專利進行聚類分析，

發掘全球領先機構聚焦的技術方向，構建了世界技術焦點數據庫，并繪制描繪全球技術競爭態勢的技

術結構圖譜。

技術結構圖譜，通過深度學習技術與可視化技術，以直觀形象的可視化方法宏觀展示錯綜復雜的

專利技術間的結構特征，揭示了技術方向間的關聯關系與發展態勢。通過圖譜可以快速、全面、客觀

地把握世界技術態勢，遴選國際上重要的技術焦點、技術前沿等，評估世界主要國家在這些技術焦點

上的技術實力，尋找優勢與差距方向等，為科學決策提供客觀依據與數據支撐。

中國科學院科技戰略咨詢研究院技術結構研究組自2017年開展相關研究，持續跟蹤業界最前沿的

機器學習技術，不斷改進分析數據和分析方法，先后構建了兩版“專利文本特征抽取模型”。第二版“專

利文本特征抽取模型”，通過結合大量專利文本及專利特征信息的后訓練，改進Google的BERT預訓

練模型，使之適用于專利文本。運用該模型，對遴選專利數據進行聚類，構建了高影響力專利技術的

世界技術焦點數據庫，同時，利用技術焦點間的關聯關系繪制技術結構圖譜。至2023年，研究組先后

完成了2012-2017年、2014-2019年、2016-2021年三個時期的技術焦點數據庫構建與技術結構圖譜

繪制與解讀分析工作，其中前兩期報告的專利數據選用三方同族專利（同時在美國專利商標局、歐洲

專利局、日本特許廳尋求保護的專利，簡稱“三方專利”），本期報告選取兩方同族專利（同時在美

國專利商標局、歐洲專利局尋求保護的專利，簡稱“兩方專利”）作為底層數據。

專利信息可以反映全球所有技術領域的最新發展動態和最活躍的創新技術，但如何從海量的專利

數據中，構建合適的數據集來研制技術結構圖譜一直是本研究的一項核心研究任務。《技術結構圖譜

2021》中我們沿用創新性評價的一個重要指標，即三方專利，作為底層數據，報告獲得了很好的反響

的同時，專家也提出三方專利數據相對陳舊以及各國專利失衡的問題。《技術結構圖譜2022》研制過

程中，研究團隊力求回應專家關切，在進行嚴謹數據分析的基礎上，結合專家研判，選用兩方專利作

為本期報告的底層專利數據。與三方專利相比，兩方專利總量增加了一倍，且平均公開年“更年輕”——

提前了半年。同時，美國、歐洲和中國等國家和地區的頭部企業無論是專利總量還是占比都有大幅增加。

《技術結構圖譜2022》報告對公開日2016-2021年間的600654件兩方專利進行聚類，形成了

12293個技術焦點。通過將技術焦點中的高維專利文本特征向量映射到二維空間中，可視化展現全球

視野的技術結構圖譜，直觀形象地展示世界專利技術的結構特征以及技術焦點間的關聯關系與發展進

程?；诩夹g結構圖譜，疊加不同國家的專利份額，可清晰揭示不同國家在技術創新布局上的偏重，

找出中國的差距。報告選取技術結構圖譜中的熱點技術領域（技術結構中的高密度區域）進行深入分析，

分析熱點技術領域中的技術重點及領先機構。除了熱點技術領域，本報告還展示了另外一種基于技術

結構圖譜的專題領域分析模式，即采用檢索策略，發現人工智能相關的技術焦點，分析其布局及特點，

并通過兩個時間窗，分析人工智能領域專利技術的演變。

2022

3技術結構圖譜

02

第二章研制方法

第二章研制方法4

研制方法

一、專利分析數據

專利信息是反映全球所有技術領域的最新發利數據有一定的時滯性和不同國家專利的失衡性。

展動態和最活躍的創新技術。世界知識產權組織在2022的技術焦點數據庫的研制過程中，研究組

（WIPO）指出，90%以上的科技信息是通過專利在嚴謹數據分析的基礎上，結合專家研判，選用

信息反映出來的，若運用好專利信息，可以節約了美國專利商標局和歐洲專利局共同保護的專利，

40%的科研開發經費和60%的科研時間。后續簡稱兩方專利，作為本期報告的核心專利數

據集。

與目前大多數以本國申請專利的統計分析不

同，本研究的目標是構建具有代表性和相對完整本報告的分析數據基于德溫特創新平臺

性的世界技術焦點數據庫，以及反映世界技術前（DewentInnovation）最早公開年為2016-2021

沿態勢的技術結構圖譜。因此如何選擇高價值專年的兩方專利數據，數據檢索時間為2022年3月。

利構建核心專利數據集一直是本研究的首要任務。

在2012-2017年、2014-2019年兩個時期的技術表2-1顯示了三期技術結構圖譜中專利數據

結構圖譜選取了在美國專利商標局、日本特許廳、總量及覆蓋時間。連續三期技術結構圖譜專利數

歐洲專利局同時申請的“三方同族專利”（又名據的時間間隔為2年，重疊時間為4年。需要說

三方專利）作為核心專利數據集。通常三方專利明的是，雖然兩個時期技術結構圖譜的時間窗有

被認為具有較高的科技含量和經濟價值，反映一重疊部分，但由于專利公開的時滯在18個月左右，

個國家技術發明的整體水平及在國際市場上的競所有兩個時期技術結構圖譜在重疊窗口內的專利

爭力，被廣泛應用于經濟合作與發展組織、歐盟數據并不完全相同，尤其在重疊年份的后兩年會

統計局、美國國家科學基金會等國際權威機構的出現較多新增數據。

統計報告中。

與三方專利相比，兩方專利的數據量比三方

但由于申請三方專利時間較長，并且隨著日專利高出一倍，平均公開年提前了半年。并且，

本經濟的日漸低落，世界一些頂級機構并不很重美國、歐洲和中國等國家和地區的龍頭企業的專

視日本市場等原因，專家提出我們遴選的核心專利量占比大幅增加。

表2-1三期技術結構圖譜使用數據

2012~2017年2014~2019年2016~2021年

技術結構圖譜時間范圍三方專利三方專利兩方專利

檢索時間2018年8月檢索時間2020年3月檢索時間2022年3月

專利家族數291498272354600654

2022

5技術結構圖譜

二、技術結構圖譜構建方法

專利布局分析中常用專利分類體系（比如數量是歐洲專利局的5倍。除此之外，專利間引

IPC/CPC等）直接進行統計分析，發現技術領域用的頻次相比科學論文較低，本報告對6年的本

內容的專利熱點方向或技術布局。雖然各類專利底專利數據進行統計發現，專利間存在直接引用

分類體系都是較為成熟的標準分類，且通常包含關系的專利只有29%，存在共被引關系的專利僅

多層分類關系，但在進行技術布局分析時存在一有37%，因此從數據統計出發，經典的論文引文

些局限性?，F有的專利分類體系設計以功能性為分析方法也不適用于專利的技術圖譜分析。而關

主、應用性為輔，主要以滿足檢索功能為主要設鍵詞等文本共現分析存在一詞多義或一義多詞、

計前提，在布局分析時難與具體產業技術領域對詞間缺乏語義關系等問題，會造成分析結果存在

應，且分類體系粒度過大、更新緩慢，無法細致一定誤差。

體現關鍵技術和最新變化。因此本研究沒有直接

使用現有的專利分類體系構建技術結構圖譜，而綜上所述，我們有必要尋求一種更加科學、

是根據專利之間的關聯關系發現技術結構，突破合理的技術結構發現方法，幫助相關技術領域的

傳統的分類體系，體現技術交叉融合的趨勢。科研技術人員、科研單位以及專利情報分析人員

更客觀、準確地認識該領域的技術結構和技術方

技術結構圖譜的構建在學術界暫時沒有公認向之間的關聯關系,同時還有利于發現隱含的新技

的最佳方案，傳統的專利可視化分析通常稱為專術要素信息、技術前沿方向，從而推動技術創新。

利地圖，常參考科學論文的分析方法，多使用引

文共現分析或關鍵詞共現分析，但以上分析方法隨著近年來人工智能中深度學習的發展，為

在分析專利時存在一定缺陷。專利引文分析中，專利文本分析提供了有效支撐。本報告采用了基

首先專利的引用動機與科學論文引用動機有較大于深度學習模型的文本分析，融合了專利分類等

[1,2]

的不同,在揭示知識關聯方面存在較大差異。影響專利技術結構的專利特征，構建專利技術結

其次，專利引用沒有統一的規范，發明人引用與構圖譜。技術結構分析方法流程如圖2-1所示，主

審查員引用各自有不同的引用目的。各國審查員要分為三個主要步驟：首先是專利文本抽取模型，

引用要求也有很大差異，美國專利局審查員引用將專利文本轉換成高維特征向量，抽取的專利文本

文本特征

專利文本聚類可視化算法

抽取模型

圖2-1技術結構圖譜發現流程

1

李睿,孟連生.論專利引用行為與期刊論文引用行為在揭示知識關聯方面的差異[J].情報學報,2010,29(3):474--478.

2

李睿.專利被引頻次和施引頻次與專利價值的相關性解析——以在美注冊的中國專利為樣本[J].情報學報,2014(4):395-404.

第二章研制方法6

[3]

特征作為技術結構基本構成單元；其次，基于專BERT預訓練模型，是網絡深度高達12層的深

利文本的高維特征，通過聚類算法發現技術主題；層神經網絡結構，并采用基于自然語言連貫性假

第三，使用可視化算法，將技術主題的高維特征設的雙向遮蔽語言模型理解自然語言規律。原生

向量映射入二維圖譜，利用圖中坐標分布特點，BERT模型的訓練語料使用了海量的新聞、維基百

自動發現技術結構圖譜中的結構特點，用于后續科等綜合文本上進行訓練，顯著提高了自然語言

解讀。相關步驟中設計算法與模型詳見后續章節。理解任務的準確率，是具有“里程碑”意義的技

術進步。但是，BERT的訓練語料與專利文本的特

（一）專利文本特征抽取模型征還是具有很大的差別。因此，第二版專利特征

為了抽取準確的專利文本特征，本報告訓練抽取模型將專利文本特征作為先驗知識與復雜的

了二版專利特征抽取模型。第一版專利文本特征深度神經網絡模型結合，并與專利已有的標注分

抽取模型使用了一種不依賴任何預設領域詞典、類信息融合，進一步提升了專利文本特征抽取模

無需人工標注的無監督Doc2vec模型來實現專利型的準確率。

文本特征抽取。利用海量專利文本作為學習語料

模型訓練與文本特征抽取流程如圖2-2所示，

訓練模型，并利用IPC代碼的層次關系構建多組

本報告在原生BERT預訓練的模型之后加入海量

專利特征抽取模型測試數據集。該模型在測試數

專利文本進行后訓練（post-training），并利用

據集中表現遠高于當時被應用最廣泛的詞袋模型

IPC/CPC專利分類標簽對BERT模型內部神經元參

Tf-idf、主題模型LSA、LDA。

數進行微調（fine-tune），通過以上兩個步驟讓

Doc2vec模型雖然采用深度學習的思想，但BERT模型適配專利申請書文本特征，形成了適用

模型只有3層神經網絡結構，嚴格來講還屬于淺專利文本的專用BERT模型。經過一系列試驗表明

[4]

層深度學習模型。Google在2018年11月推出的效果比第一版模型有很大的提升。

專利文本特征向量抽取

輸入

模型訓練

專利文本特征抽取專利特征

原生BERT模型海量專利文本IPC/CPC標簽

專用BERT模型向量

后訓練微調輸出

圖2-2基于Bert模型的專利文本特征抽取流程

3

Devlin,Jacob,etal."Bert:Pre-trainingofdeepbidirectionaltransformersforlanguageunderstanding."arXivpreprint

arXiv:1810.04805(2018).

4

TingChen,XiaomeiWangandGuopengLi,PatentSimilarityinNeuralModels:AComparativeStudy,GlobalTechMining

ConferencesProceedings2020

2022

7技術結構圖譜

（二）基于專利文本特征聚類確定技術焦點（三）技術結構圖譜可視化

[5]

本報告通過專利文本的聚類分析，把主題相報告選用非線性降維t-SNE算法作為技術

同的專利聚在一起，產生若干的專利技術簇，反結構的可視化算法，它是一種非監督降維算法，

映了世界上創新機構主體所關注的技術焦點方向。無需預先給定樣本的分類標簽信息。目前t-SNE

幫助相關技術領域的科研技術人員與專利情報分可視化算法已成功應用于很多真實高維數據集，

析人員更客觀、準確地認識該領域的技術分類和如圖像文字、生物信息、新聞文本數據等。研究

技術結構,有利于發現隱含的新技術要素信息,推組也在論文結構圖譜與基金圖譜中使用了t-SNE

[6,7]

動技術創新。算法制作了可視化圖譜，不論是對局部細節結

構的揭示還是穩定性方面都有較大的提升。

本報告采用了基于特征空間向量的聚類算法，

沒有采用引用網絡社團劃分的聚類方法。由于本首先將技術焦點中包含的專利文本特征向量

報告涉及專利數量較大，聚類算法采用了適用于加和平均后，形成了一個代表技術焦點的平均向

大數據量的K-means++聚類算法，進行了兩次聚量。之后再利用t-SNE降維算法將這些技術焦點

類。利用輪廓系數算法計算10以下最優聚類數，的高維向量映射到二維圖譜形成技術結構圖譜。

將60萬專利分成若干大類。之后二次利用輪廓系圖譜中每個點代表了一個技術焦點，點的大小代

數再次計算每個大類中最優聚類數，利用最優聚表技術焦點內包含的專利個數。該可視化方法在

類參數完成第二級K-means聚類，發現技術焦點。保證大樣本整體布局穩定的情況下，揭示了更多

的局部特征，不同的技術大類在圖譜中有各自清

晰的區域，在技術大類內部子類也出現了聚集效

果，子類之間呈現出明顯的輪廓。這些在圖譜中

呈現出的技術子類我們在報告中成為技術焦點群，

在圖譜中作為主要的顯示單元進行展示，以提升

技術結構圖譜的可讀性。

5

VanDerMaatenL,HintonG.VisualizingDatausingt-SNE[J].JournalofMachineLearningResearch,2008,9:2579-2605.

6

陳挺,王海名,王小梅.基于可視化的基金資助熱點及其演化發現方法研究[J].現代圖書情報技術,2020,004(002):60-67.

7

ChenT,LiG,DengQ,WangX.UsingNetworkEmbeddingtoObtainaRicherandMoreStableNetworkLayoutforaLarge

ScaleBibliometricNetwork.[J].JournalofDataandInformationScience,2021,6(01):154-177.

第二章研制方法8

03

第三章技術結構及其演變

2022

9技術結構圖譜

技術結構及其演變

本章基于技術結構圖譜進行技術結構及其演化的分析。技術焦點的構成及技術焦點間的關系反映了

世界高價值專利的整體結構，技術結構圖譜是一系列描述技術結構的可視化圖，直觀地反映了世界專利

技術領域的關聯關系以及演化進程。

全球技術競爭態勢

從技術結構圖譜中可以看出世界兩方專利技術重點集中在信息與通信技術（ICT）、醫療健康、

汽車及其他交通工具三大產業。這三大產業在技術結構圖譜中占據了大半的面積。其他的主要產業

還有機械制造、化工冶金和能源等。

ICT產品及服務，包括半導體、無線通信、機器學習、計算機軟硬件、網絡安全、音視頻處理、

電力設備和電器元件等；醫療健康，包括醫療技術、生物技術、醫療器械、生物制藥、藥物研發等；

汽車及其他交通工具，主要包括智能駕駛、汽車動力電池、車輛傳動裝置、車輛部件、轉向控制系

統、汽車發動機、汽車照明和輪胎等技術，在其他交通工具中，主要是和飛機等航空技術相關的自

動駕駛、飛行器、航空發動機等；機械制造中，很大區域是和內燃機、燃氣輪機、渦輪發動機、復

雜機床切削刀具等相關的技術。

專利技術結構的布局，總體上保持穩定。基于兩方專利數據的技術結構圖譜2016~2021與基

于三方專利數據的技術結構圖譜2014~2019和技術結構圖譜2012~2017在總體結構上的領域劃分

與布局基本一致，僅在局部細節上存在一些差異。

熱點專利技術

從三期技術結構圖譜來看，持續高熱度的技術焦點群包括“通信網絡設備與技術”“視頻編

碼技術”“鋰離子電池”“半導體器件及工藝”“LED技術及其深度集成應用”“醫用診察和監護

裝置、系統和方法”“手術器械”“雜環藥物原料”“生物藥”“車輛傳動裝置、車輛部件”“內

燃機與燃氣輪機”“復雜機床切削刀具相關技術”等。

對比兩方專利和三方專利的技術結構圖譜，技術結構圖譜2016~2021新增或熱度明顯增高的

技術方向包括“區塊鏈與密碼學”“分布式網絡數據安全”“網絡通信數據安全”“數據分析與用

戶行為預測”“機器學習模型、系統及設備”“智能駕駛”“航空發動機”“酶、核酸或微生物的

測定或檢驗方法”“核酸的測定或檢驗方法”“醫療保健信息學”“汽車動力電池”等。

第三章技術結構及其演變10

人工智能技術

人工智能技術在2016~2018年和2019~2021年兩個時間段中熱點技術有所變化：2016~2018

年專利聚集度較高的區域主要集中在人工智能功能應用技術，包括“個性化內容定制與推薦”“圖

像處理與交互系統”“視覺識別與模型構建系統”“醫學影像診斷設備”“醫用診察和監護裝置、

系統和方法”“智能駕駛”“飛行設備、飛控系統和信息處理設備”“酶、核酸或微生物的測定或

檢驗方法”等技術焦點群。2019~2021年，隨著深度學習等技術的成熟，人工智能基礎技術“機

器學習模型、系統及設備”的熱度迅速上升，向復雜性、解釋性、分布式學習、硬件優化和動態調

整以及更好的數據管理方向發展的趨勢；隨著AI技術在人工智能功能應用和人工智能領域應用中

的深度融合，“智能駕駛”相關技術作為人工智能的重要領域應用，得到了快速增長和顯著增強。

同時，“醫學影像診斷設備”技術的作用也日益突出，為醫療領域帶來了革命性的變革；人工智能

功能應用區域中的“圖像處理與交互系統”相關技術的發展也較為迅速。

2022

11技術結構圖譜

一、技術結構圖譜2016~2021

本研究通過對兩方專利申請書的文本特征進形成了技術焦點之間的布局，生成技術結構圖譜

行聚類形成技術焦點，利用降維可視化算法將各（圖3-1）。技術結構圖譜2016~2021包含技術焦

技術焦點的高維文本特征向量映射在二維空間中，點12293個，幾乎涵蓋了該時間段的全部兩方專利。

圖3-1技術結構圖譜2016~2021

注1.每一個圓圈代表一個技術焦點，圓的大小與技術焦點包含的兩方專利數量成正比。

注2.技術焦點的坐標位置由深度學習模型確定，各技術焦點之間的相對位置也反映出它們之間的關聯程度，距離越近，關

聯程度越高。圖中上下左右的方位沒有實際含義。

注3.圖中專利量越大，密度越大、顏色越暖；反之，專利量越小，密度越小、顏色越冷。圖中按照密度等高線自然圈出了

一些技術焦點群區域，標識主體技術內核是為了掌握技術結構的內容，增加可讀性。

注4.由于空間所限，圖中部分技術焦點群使用簡稱進行標識，全稱及群分類見表3-1。

第三章技術結構及其演變12

技術結構圖譜直觀地反映了當前的技術結構（ICT）、醫療健康、汽車及其他交通工具三大產業。

及技術發展情況。圖中每一個圓代表一個技術焦這三大產業在技術結構圖譜中占據了大半的面積。

點，由一組兩方專利組成，圓的大小與技術焦點其他的主要產業還有機械制造、化工冶金和能源

包含的兩方專利數量成正比，旁邊的數字代表技等。其中，ICT產品及服務，包括半導體、無線通信、

術焦點的ID號。圓之間連線代表技術焦點之間具機器學習、計算機軟硬件、網絡安全、音視頻處理、

有較強的關聯，各個圓之間的相對位置也反映出電力設備和電器元件等；醫療健康，包括醫療技術、

它們之間的關聯程度，距離越近，關聯程度越高。生物技術、醫療器械、生物制藥、藥物研發等，其中，

圖中的顏色對應于兩方專利的密度。兩方專利密醫療技器械分為兩個明顯的子群，左下側為醫療

度集中的部分顏色較暖（紅），專利申請較熱，并影像為主的診斷技術，使用了附近“光學”“信

且隨著兩方專利密度的降低，顏色逐漸變冷（藍）。息技術”群組包含的技術。中間以“手術器械”

為主，與附近的“材料”、“機械”群組更相關；

當前技術發展迅速，技術不斷交叉融匯，技汽車及其他交通工具，主要包括智能駕駛、汽車

術領域之間的界限越來越模糊。技術結構突破了動力電池、車輛傳動裝置、車輛部件、轉向控制

傳統的專利分類體系，利用深度學習模型學習了系統、汽車發動機、汽車照明和輪胎等技術，在

專利文本的語義關系，在圖中語義更相近的技術其他交通工具中，主要是和飛機等航空技術相關

焦點被聚集在一起，形成了多個高密度區域，這的自動駕駛、飛行器、航空發動機等；機械制造中，

些高密度區域代表了解決共同的技術問題或者使很大區域是和內燃機、燃氣輪機、渦輪發動機、

用了類似的技術方案的專利群。因此技術結構圖復雜機床切削刀具等相關的技術。

譜中不以傳統的專利分類體系為主，而是盡量從

共同技術問題或者共同技術解決方法角度出發進本報告利用技術焦點在圖中的位置信息與技

行歸類，按照可視化圖中的密度區域劃分出技術術焦點內專利數量計算了每個技術焦點群的熱度

焦點群。（密度），從圖可以明確看出，本期最熱的技術

焦點群主要有以下22個，包括“通信網絡設備與

在技術結構圖譜中，從左上方逆時針看，左技術”“手術器械”“航空發動機、渦輪機轉子

上方是通信方面的技術焦點群，左部為信息技術、葉片”“車輛傳動裝置、車輛部件”“汽車動力

左下部醫療技術相關技術焦點群。下方為生物技電池”“內燃機與燃氣輪機”“渦輪發動機的優

術、醫藥相關的技術焦點群，右側為化學、材料化設計、冷卻技術和維修方法”“雜環藥物原料”

相關技術焦點群，右上方是和發動機、機械相關“鋰離子電池”“LED技術及其深度集成應用”“半

的技術焦點群，圖譜上方是和汽車等交通工具相導體器件及工藝”“數據分析與用戶行為預測”“視

關的技術焦點群。圖中間部分是和測量、光學、頻編碼技術”“醫用診察和監護裝置、系統和方法”

半導體、電池、電力設備等相關的技術焦點群?！吧飿颖緶y量”“酶、核酸或微生物的測定或

技術焦點群詳細信息見表3-1。檢驗方法”“生物藥”“合金器件”“高分子聚

合物”“化學合成與材料”“復雜機床切削刀具

從技術結構圖譜的分布面積中可以看出，

相關技術”“智能駕駛”。

世界兩方專利技術重點集中在信息與通信技術

2022

13技術結構圖譜

表3-1技術焦點群信息

技術焦點群名稱技術焦點群名稱簡寫技術焦點數量

通信網絡設備與技術通信網絡411

雷達雷達38

無線通信信號傳輸、處理方法與設備無線通信74

衛星無線電信標定位系統衛星定位27

無線通信信號優化方法與設備信號優化91

無線通信天線技術天線51

信號處理與傳輸優化技術信號處理40

視頻編碼技術視頻編碼121

音頻信號處理音頻信號85

印刷電路及零部件印刷電路61

機器學習模型、系統及設備機器學習66

智能手機智能手機125

數據處理系統或方法數據處理系統48

圖像傳輸圖像傳輸77

增強現實系統增強現實84

農業自動化設備、系統及方法農業自動化設備31

智能機器人與自動化系統智能機器人21

語音識別語音識別19

射頻識別（RFID）技術射頻識別28

圖像處理與交互系統圖像處理92

視覺識別與模型構建系統視覺識別40

高性能半導體存儲技術高性能存儲88

計算機處理器計算機處理器37

區塊鏈與密碼學區塊鏈65

網絡通信數據安全網絡安全52

分布式網絡數據安全分布式網絡安全51

第三章技術結構及其演變14

技術焦點群名稱技術焦點群名稱簡寫技術焦點數量

數據分析與用戶行為預測用戶行為預測82

個性化內容定制與推薦個性化推薦56

分布式計算資源與數據管理分布式資源管理31

數據管理與處理數據管理41

醫療保健信息學醫療保健信息學57

醫用植入物、治療設備和方法醫用植入物120

醫學影像診斷設備影像診斷32

醫用診察和監護裝置、系統和方法診察和監護223

手術器械手術器械140

注射穿刺器械注射器械34

雜環藥物原料雜環藥物86

皮膚與口腔護理產品皮膚護理23

藥物研發藥物103

生物醫學療法與藥物組合生物療法與藥物86

靶向免疫治療及個體化聯合抗癌療法免疫抗癌療法60

光譜測量技術光譜測量18

核酸的測定或檢驗方法核酸檢測43

突變或遺傳工程突變或遺傳工程76

細胞培養裝置細胞培養56

繁殖、維持或保藏微生物或其組合物的方法微生物培養91

生物樣本測量生物樣本測量100

酶、核酸或微生物的測定或檢驗方法分子生物檢測104

用于疾病診斷和測試的材料與方法診斷測試122

生物藥生物藥144

半導體器件及工藝半導體器件62

有機半導體器件和材料有機半導體87

2022

15技術結構圖譜

技術焦點群名稱技術焦點群名稱簡寫技術焦點數量

光纖光纖21

光學成像與顯示技術光學成像62

LED技術及其深度集成應用LED92

汽車照明系統的光源設計與應用汽車照明23

激光技術激光31

測量與傳感設備測量與傳感設備38

計量設備計量設備249

鋰離子電池鋰離子電池41

太陽能電池太陽能電池35

電解質和電解液電解質和電解液55

光電傳感器光電傳感器38

數據輸入輸出設備輸入輸出設備33

液晶顯示設備液晶顯示設備48

服裝、鞋靴用材料服裝材料99

建筑材料及構件建筑構件32

橡膠材料橡膠材料50

聚合物制備裝置及工藝聚合物制備89

合金器件合金器件141

玻璃和陶瓷制品及制備工藝玻璃陶瓷27

食品制備及保存食品70

個人護理材料（化妝品、洗滌劑等）個護材料71

農藥（殺蟲劑、除草劑等）農藥60

硅基材料硅基材料26

層狀產品（層壓板、薄膜、夾層玻璃等）層狀產品29

石油化工產品、制備裝置及工藝石化產品166

環保高性能聚合物及其先進制備環保高性能聚合物50

第三章技術結構及其演變16

技術焦點群名稱技術焦點群名稱簡寫技術焦點數量

高分子聚合物高分子聚合物62

化學合成與材料化學合成45

化學反應催化劑催化劑25

發電、變電或配電設備電力設備114

基本電氣元件電氣元件104

電源管理器件、裝置和系統電源管理52

航空發動機、渦輪機轉子葉片航空發動機100

熱交換設備、燃料電池等熱交換121

風力發動機風力發動機23

內燃機與燃氣輪機內燃機71

渦輪發動機的優化設計、冷卻技術和維修方法渦輪發動機47

流體控制與調節系統流體控制69

冷卻技術與空調系統冷卻技術27

機械零件材料與加工機械零件80

電器設備電器設備32

復雜機床切削刀具相關技術復雜機床切削刀具135

家用清潔設備（洗衣機、洗碗機、掃地機、吸塵器等）家用清潔設備91

工業機器人部件與系統工業機器人34

凈化和分離裝置及方法凈化和分離裝置49

包裝或輸送的設備包裝設備150

貯存或運輸的容器貯運容器48

電子煙及氣溶膠發生裝置電子煙36

武器、彈藥武器22

機床